Perpustakaan Digital ITB

Efisiensi energi pada kendaraan listrik merupakan aspek krusial untuk mewujudkan transportasi berkelanjutan. Sistem pengereman regeneratif berperan dalam meningkatkan efisiensi tersebut dengan mengubah energi kinetik menjadi energi listrik yang disimpan kembali ke dalam baterai. Namun, efektivitas sistem ini dipengaruhi oleh parameter seperti kecepatan, arus, tegangan, dan state of charge, serta oleh dinamika sistem yang kompleks dan nonlinier. Penelitian ini bertujuan mengembangkan model estimasi state of charge pada kendaraan listrik roda tiga menggunakan pendekatan pembelajaran mesin. Dua model prediktif dikembangkan dan diuji. Pendekatan pertama menggunakan arsitektur long short-term memory bertingkat untuk memprediksi arus regeneratif dan state of charge secara simultan. Pendekatan kedua menggunakan model backpropagation neural network-based coulomb counting yang menggabungkan metode integrasi arus berbasis fisika dengan koreksi galat berbasis jaringan saraf tiruan. Data diperoleh dari purwarupa kendaraan listrik roda tiga di National Center for Sustainable Transportation Technology, Institut Teknologi Bandung. Data diakuisisi melalui screen recording dan pengenalan karakter optik. Setelah melalui tahap pre-processing, data dibagi secara temporal menjadi 80% untuk pelatihan dan validasi serta 20% untuk pengujian. Model long short-term memory dengan arus aktual menunjukkan performa terbaik dengan r-squared sebesar 0,9949 dan RMSE sebesar 0,1021%. Dengan arus prediktif, performanya tetap tinggi dengan r-squared sebesar 0,9894 dan RMSE sebesar 0,1492%. Model backpropagation neural network-based coulomb counting mencatat r-squared sebesar 0,9453 dan RMSE sebesar 0,3376% saat menggunakan arus aktual, namun turun drastis dengan r-squared sebesar –0,1821 dan RMSE sebesar 1,5898% pada arus prediktif. Evaluasi efisiensi daya kontroler Votol EM-150 menunjukkan nilai rata-rata sebesar 88,05% pada kondisi penyaluran daya dan 49,94% pada pengereman regeneratif. Hasil ini menegaskan bahwa model long short-term memory lebih adaptif dan akurat untuk estimasi state of charge, sementara sistem pemulihan energi masih memiliki ruang peningkatan melalui strategi kontrol yang lebih optimal.